BAB II

Multi-Layer Perceptron atau perceptron multilapis adalah metode Artificial Neural

Network (ANN) yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot
penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu
lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu
lapisan output (output layer). Lapisan input menerima sinyal dari luar, kemudian
melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya
mencapai lapisan output [13]. Tidak ada batasan banyaknya hidden layer dan jumlah neuron
pada setiap layernya. Setiap neuron pada input layer terhubung dengan setiap neuron pada
hidden layer. Demikian juga, setiap neuron pada hidden layer terhubung ke setiap neuron
pada output layer. Setiap neuron, kecuali pada layer input, memiliki input tambahan yang
disebut bias (Dewi, 2015).
BAB III
Pada penelitian yang telah dilakukan oleh Theoharidou et al (2010) mengusulkan
metodologi penilaian kekritisan holistik yang cocok untuk pengembangan rencana
perlindungan infrastruktur pada multi-sektor atau tingkat nasional. Metodologi yang
diusulkan bertujuan untuk mengintegrasikan rencana keamanan yang ada dan penilaian risiko
yang dilakukan di infrastruktur terisolasi, untuk menilai lebar sektor atau intra-sektor risiko
keamanan. Dalam rangka untuk mencapai hal tersebut, penulis mendefinisikan tiga layer
yang berbeda dari penilaian keamanan dengan persyaratan dan tujuan yang berbeda; layer
operator, layer sektor dan layer nasional. Dalam penelitiannya, penulis menentukan
karakteristik setiap layer, serta ketergantungan masing-masing layer. Dengan cara ini, rencana
keamanan yang ada dapat sepenuhnya dimanfaatkan untuk memberikan ''jalan pintas'' untuk
pengembangan rencana keamanan pada kompleks struktur infrastruktur yang saling
bergantung. Elemen kunci dalam metodologi yang diusulkan adalah definisi formal
ketergantungan antara infrastruktur yang berbeda dan sektor masing-masing. Saling
ketergantungan antara infrastruktur pada sektor yang sama atau ke sektor yang berbeda, serta
saling ketergantungan antara berbagai sektor, bertindak sebagai antarmuka di mana ancaman
dan dampaknya terjadi pada layer yang berbeda atau sektor yang berbeda.
Sedangkan menurut Khaleghi et al (2013) proses penyelamatan dan penilaian risiko
adalah tuntutan penting untuk industri apapun dalam mengkarakterisasi bahaya dan risikonya
terhadap personil/pribadi, lingkungan dan kehilangan uang. Matriks risiko adalah alat yang
sangat berguna untuk memperkirakan proses risiko atau peralatan dimana membantu dalam
proses pengambilan keputusan. Metode logika fuzzy untuk penilaian risiko dipilih sebagai
cara yang baru dan efisien untuk pengelolaan sumber daya industri. Penelitian ini secara
umum meliputi ulasan kuantitatif tentang kemungkinan terjadinya kecelakaan, berdasarkan
pengalaman kecelakaan sebelumnya yang mungkin terjadi dalam sistem transportasi gas
alam. Untuk studi penilaian risiko, kemungkinan untuk membatasi kegagalan didefinisikan
sebagai kasus dan pemodelan risiko kecelakaan yang mungkin terjadi seperti kebakaran,
ledakan dan risiko efek toksik. Akibatnya matriks risiko fuzzy diekstraksi berdasarkan pada
prosedur Lapisan Analisis Perlindungan (LOPA) dan Analisis Pohon Acara (ETA), untuk

menganalisis 3 skenario kebocoran berdasarkan pada ukuran kebocoran, indeks risiko klasik
yang dibandingkan dengan yang diperoleh dari pendekatan fuzzy. Hasil studi kasus
menunjukkan bahwa indeks dari penilaian risiko fuzzy,pada kebocoran kecil dan menengah
berbeda 30% dan 8% terhadap indeks risiko klasik masing-masing, dan menunjukkan bahwa
penilaian risiko fuzzy dapat mengatasi ketidakpastian dan ketidaktepatan penilaian risiko
klasik.
Penggunaan logika fuzzy di bidang penilaian risiko telah terbukti lebih unggul dan
penting dalam menghitung kategorisasi dan tingkat risiko untuk setiap proses, peralatan, dan
lain-lain, serta metode yang memberi kemudahan, kenyamanan dan hemat waktu.
Selanjutnya, fuzzy yang didasarkan atas model jauh lebih handal dan bisa menghasilkan hasil
yang paling akurat dan rinci. Pada studi masa depan, dengan meningkatkan dan
menginovasikan logika fuzzy dan set lunak lainnya yang terkait untuk mengatasi
ketidaktepatan dan ketidakpastian dari risiko umum setiap metode penilaian seperti What-IF,
FMEA, HAZOP, PRA, dan lain-lain atau bahkan metode penilaian risiko khusus untuk proses
khusus (Khaleghi et al, 2013).

DAFTAR PUSTAKA

Dewi. 2015. Identifikasi Goresan Dasar Mandarin Dengan Metode Multilayer

Perception. Jurnal CSRID. 7 (1) : 16
Khaleghi S, Saeed G and Saeed K. 2013. Fuzzy Risk Assessment and Categorization, based
on Event Tree Analysis (ETA) and Layer of Protection Analysis (LOPA) : Case
Study in Gas Transport System. World Applied Progamming. 3 (9) : 417
Theoharidou M, Panayiotis K and Dimitris G. 2010. A Multi-layer Critically Assessment
Methodology Based on Interdependencies. Journal of Computer and Security. 2 (9)
: 643